[论文解读] Knowledge-based Radiation Treatment Planning: A Data-driven Method Survey

Shadab Momin, Yabo Fu+6 more|arXiv (Cornell University)|Sep 15, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 157被引用 8

一句话总结

本文综述了过去十年数据驱动的知识库放射治疗计划（KBP）方法，将其分类为传统KBP（使用解剖/几何特征和机器学习）与基于深度学习（DL）的方法。研究表明，DL在剂量预测方面表现更优，得益于从原始影像数据端到端学习的能力；然而，其在计划可执行性及不同机构间数据异质性方面仍面临挑战。

ABSTRACT

This paper surveys the data-driven dose prediction approaches introduced for knowledge-based planning (KBP) in the last decade. These methods were classified into two major categories according to their methods and techniques of utilizing previous knowledge: traditional KBP methods and deep-learning-based methods. Previous studies that required geometric or anatomical features to either find the best matched case(s) from repository of previously delivered treatment plans or build prediction models were included in traditional methods category, whereas deep-learning-based methods included studies that trained neural networks to make dose prediction. A comprehensive review of each category is presented, highlighting key parameters, methods, and their outlooks in terms of dose prediction over the years. We separated the cited works according to the framework and cancer site in each category. Finally, we briefly discuss the performance of both traditional KBP methods and deep-learning-based methods, and future trends of both data-driven KBP approaches.

研究动机与目标

• 回顾并分类过去十年中知识库放射治疗计划（KBP）领域内数据驱动的剂量预测方法。
• 比较基于几何特征与机器学习的传统KBP与基于深度学习（DL）的KBP在性能与方法学上的差异。
• 识别影响传统KBP与DL-KBP框架中剂量预测准确性的关键参数。
• 讨论数据异质性、计划可执行性以及临床整合需求等挑战，以推动自动化治疗计划的发展。
• 展望未来研究方向，致力于实现完全自动化且具备临床可行性的治疗计划系统，采用数据驱动方法。

提出的方法

• 通过关键词（如KBP、机器学习（ML）、深度学习（DL）、剂量预测、治疗计划自动化）在Scopus、Web of Science、PubMed、Google Scholar和arXiv.org中进行全面文献检索。
• 将90余项传统KBP研究与近30项基于深度学习的KBP研究分类为两大类：传统KBP（基于图谱、统计建模、机器学习）与基于深度学习的方法。
• 回顾影响剂量预测性能的关键参数，如影像特征、解剖重叠（如PTV-OAR体积）及模型架构（如U-Net、CNN）。
• 分析输入数据（如CT影像、勾画结构）与模型设计对预测准确性的影响，尤其针对不同癌种（如头颈部、前列腺、肺部、乳腺）的表现。
• 评估剂量预测与逆向计划及 fluence map 生成的集成，以提升计划可执行性并减少人工干预。
• 探索新兴趋势，如用于跨机构模型适应的迁移学习，以及用于自适应放疗（ART）的实时预测。

实验结果

研究问题

• RQ1 基于几何特征与机器学习的传统KBP方法在剂量预测准确性和效率方面，与基于深度学习的方法相比如何？
• RQ2 在传统KBP与DL-KBP中，哪些关键参数和输入特征对剂量预测性能影响最大？
• RQ3 数据驱动的KBP方法在多大程度上提升了治疗计划效率，同时保持临床计划质量与可执行性？
• RQ4 在数据质量与治疗方案存在异质性的多样化临床中心中部署数据驱动KBP的主要挑战是什么？
• RQ5 如何将基于深度学习的KBP整合到完全自动化的治疗计划流程中，包括fluence map预测与计划交付优化？

主要发现

• 传统KBP方法（包括基于图谱与机器学习的方法）在剂量预测方面已表现出与经验丰富的计划员相当或更优的性能，显著提升了计划效率。
• 基于深度学习的KBP方法，特别是采用U-Net与卷积神经网络（CNNs）的方法，通过直接从原始影像数据中学习复杂模式，无需人工特征工程，展现出更优的剂量预测准确性。
• 尽管预测误差较低，但一项研究中七项DL方法中有五项未能满足临床计划质量标准，表明预测准确性并不等同于可执行性或临床可接受性。
• 仅有少数研究实现了完全自动化的流程，能够以最少人工干预生成完整且可交付的治疗计划，凸显了临床实施中的关键差距。
• 跨机构的迁移学习与模型适应正成为应对数据异质性、提升数据驱动模型在多样化临床环境中泛化能力的关键策略。
• 未来将剂量预测与逆向优化引擎或直接fluence map生成相结合，展现出显著潜力，可同时提升自动化治疗计划的效率与临床可行性。